随着超大规模集成电路技术的飞速发展,晶体管的特征尺寸变得越来越小,电路设计版图也越来越复杂,给电路光刻技术带来了巨大的挑战。当前光的波长已达到了193nm限制,远远大于晶体管现有的特征尺寸,当我们将标准的电路设计版图刻录到硅晶片上时,在光的衍射作用下硅晶片上的电路图案会产生某些缺陷模式,这些缺陷模式被称为热点。这些热点极有可能在电路的运行中产生开路或短路现象,烧毁电路,导致芯片成品率降低,带来巨大的经济损失。虽然芯片制造行业提出了多种多样的生产设计技术,如设计检验规则、光学临近矫正、多重光刻等,但版图热点仍然不能被消除。因此,在将电路版图转移到硅晶片之前,必须对整个电路版图进行检测,准确找出那些在刻录后容易产生热点的区域,对其进行修正。传统的热点检测方法包括:仿真模拟,模式匹配,以及机器学习,但随着集成电路规模越来越大,设计电路越来越复杂,传统的检测方法已不适用。本文提出了一种基于FFT特征提取及深度学习热点检测模型,它能够有效地解决电路规模庞大和设计复杂的问题,同时还具有较好的可扩展性,能够满足未来发展的需要,并且从热点的检测性能上来说,对比传统方法也有较大的提升。本文的主要工作如下:(1)提出了一种基于快速傅里叶变换的特征提取方法,它能够将电路版图由空间域转化为频域,并且将版图的特征信息集中在频域的四角,这样不仅有利于图像特征的提取,而且还能有效过滤电路版图中的无用信息,最大限度的保留了电路版图的关键特征信息,提高了检测模型的训练效率和检测精度。(2)提出了一种带偏好的批量学习算法,它针对不均衡的训练样本,采用了分批训练的方法,以保证每批训练样本中不同类别的样本分布均衡;同时为了减少检测模型的误判率,我们对不同类别样本的误判给出一定权重的惩罚;并且为了使得检测模型在准确性和误报率之间取得更好的平衡,我们将这种带偏好的学习算法动态的嵌入到训练过程中。(3)实现了我们提出的深度学习热点检测模型,实验结果表明我们提出的热点检测模型对比现有的热点检测模型不仅提升了检测精度,而且误报率降低了40%-50%。